概要（reshapeは「要素数はそのまま、形だけ変える」ための基本テク）
NumPy の reshape は、配列の総要素数を変えずに「形（次元・行数・列数）」だけを変える関数です。処理の型は「配列を作る→shapeを確認→reshapeで目的の形へ→必要なら転置や結合で整える」。重要ポイントは「-1で自動計算」「view と copy の違い」「reshape と転置・平坦化との区別」「列優先（Fortran順）指定」です。
基本の使い方（ここが重要）
1次元から2次元・3次元へ変形
import numpy as np
a = np.arange(6) # [0 1 2 3 4 5]
b = a.reshape(2, 3) # 2行3列
c = a.reshape(1, 2, 3) # 3次元（1×2×3）
print(b.shape, c.shape) # (2, 3) (1, 2, 3)
総要素数は常に同じ（この例は6）。一致しない形を指定するとエラーになります。
-1で次元を自動計算（最重要テク）
a = np.arange(12) # 12個
print(a.reshape(3, -1)) # 3行×?列 → 4列に自動決定
print(a.reshape(-1, 6)) # ?行×6列 → 2行に自動決定
-1は「この次元は自動で計算して」。複数の -1 は不可（どちらも自動にすると曖昧）。
2次元を平坦化（1次元へ）
m = np.array([[1, 2, 3],
[4, 5, 6]])
print(m.reshape(-1)) # → [1 2 3 4 5 6]
「行列を並べ直して1本にする」最短形。連続メモリなら高速です。
深掘りポイント（view/copy・転置・順序・安全設計）
reshapeは多くの場合「view（共有）」になる
a = np.arange(6)
b = a.reshape(2, 3) # bはaの並び替えビューになりやすい
b[0, 0] = 99
print(a) # → [99 1 2 3 4 5] 元にも反映（共有）
元を変えたくないなら、reshapeの直後に copy() を付けて「完全なコピー」にします。
b = a.reshape(2, 3).copy()
reshape と転置（T）は別物（入れ替えか、並べ替えか）
m = np.arange(6).reshape(2, 3) # [[0,1,2],[3,4,5]]
print(m.T) # 転置（2×3 → 3×2）
- reshape: 総要素数を保ったまま「形」を変える
- 転置: 軸の入れ替え（行⇔列）。必要に応じて組み合わせます。
列優先（Fortran順）での reshape
a = np.arange(6)
print(a.reshape(2, 3, order="F")) # 列（縦）を優先して並べる
デフォルトは行優先（C順）。外部ツールや行列演算の都合で列優先を使いたい時に指定します。
形の整合性チェックを癖にする（要素数が合わないと失敗）
a = np.arange(10)
# a.reshape(3, 4) # 10→12は不可（ValueError）
最初に「a.size と新形状の積」を頭でチェックしておくと事故が減ります。
実務での使いどころ（画像・時系列バッチ・列結合）
画像の整形（28×28 → ベクトル、逆も）
img = np.arange(28*28) # 例：28×28の画像
vec = img.reshape(-1) # 学習用に1次元へ
img2d = img.reshape(28, 28) # 表示用に2次元へ戻す
「学習時はベクトル、表示時は2D」の往復が定番です。
バッチ処理（N×特徴数へ整形）
raw = np.arange(60) # 例：60要素
batch = raw.reshape(-1, 5) # 行数自動、5列（特徴数）
print(batch.shape) # → (12, 5)
「1レコードの特徴数」を列数に、行数は -1 で自動計算するのが最短です。
複数列をまとめて計算→元形へ戻す
xy = np.stack([np.arange(6), np.arange(6)*10], axis=1) # 6×2
flat = xy.reshape(-1) # 12要素へ
flat = flat + 1 # まとめて処理
xy2 = flat.reshape(xy.shape) # 6×2へ復元
「まとめて処理 → 元の形へ復元」が安全で読みやすいパターン。
よくある落とし穴（多重 -1・非連続メモリ・ravel/flatten）
複数の -1 は使えない
a = np.arange(12)
# a.reshape(-1, -1, 3) # どちらも自動は不可（曖昧）
-1 は必ず1つだけ。
非連続メモリ（スライス）からの reshape は copy になることがある
a = np.arange(10)
s = a[::2] # ストライド付き（非連続）
b = s.reshape(5, 1) # 必要に応じて内部でコピーが発生
「ビューかコピーか」は元配列のメモリ配置次第。共有を期待するなら連続メモリのまま扱うか、明示的に copy を使う。
ravel と flatten の違い（速度・共有）
m = np.arange(6).reshape(2, 3)
r = m.ravel() # 可能ならビュー（共有）で平坦化
f = m.flatten() # 常にコピー（独立）
元を守りたいなら flatten、速度・省メモリを優先なら ravel。
例題で身につける（定番から一歩先まで）
例題1：要素数チェックと -1 の活用
import numpy as np
a = np.arange(24)
print(a.size) # 24
print(a.reshape(4, -1)) # 4×6
print(a.reshape(-1, 8)) # 3×8
例題2：転置を絡めた形変換（列→行へ）
import numpy as np
col = np.arange(6).reshape(6, 1) # 6×1
row = col.T.reshape(-1) # 1×6 → 1次元
print(row)
例題3：Fortran順の挙動確認
import numpy as np
a = np.arange(6)
c = a.reshape(2, 3) # C順
f = a.reshape(2, 3, order="F") # F順
print(c)
print(f)
例題4：安全なコピーで元を保護
import numpy as np
a = np.arange(9)
b = a.reshape(3, 3).copy() # 独立
b[0, 0] = 99
print(a[0]) # 0（元は無傷）
まとめ
reshape は「総要素数は固定、形だけ変える」ための核機能です。-1 で自動計算、転置（T）と組み合わせ、必要なら order=”F” を使い分ける。ビューになりやすいので「元を守りたいなら copy」、平坦化は ravel（共有）か flatten（コピー）を選ぶ。要素数の整合を常に確認し、画像・バッチ・列結合の整形に活用すれば、初心者でも短く・安全に“形を操る”コードが書けます。